Full metadata record
DC pole | Hodnota | Jazyk |
---|---|---|
dc.contributor.author | Mayo, Michael | |
dc.contributor.author | Koutný, Tomáš | |
dc.date.accessioned | 2021-02-15T11:00:17Z | - |
dc.date.available | 2021-02-15T11:00:17Z | - |
dc.date.issued | 2020 | |
dc.identifier.citation | MAYO, M., KOUTNÝ, T. Neural Multi-class Classification Approach to Blood Glucose Level Forecasting with Prediction Uncertainty Visualisation. In: The 5th International Workshop onKnowledge Discovery in Healthcare Data (KDH). Německo: CEUR Workshop Proceedings (CEUR-WS.org), 2020. s. 80-84. ISSN 1613-0073. | cs |
dc.identifier.issn | 1613-0073 | |
dc.identifier.uri | 2-s2.0-85093856908 | |
dc.identifier.uri | http://hdl.handle.net/11025/42678 | |
dc.description.abstract | Navrhli jsme metodu založenou na strojovém učení pro predikci hladiny glukózy v krvi třicet a šedesát minut předem na základě vysoce multiklasové klasifikace (na rozdíl od tradičnějšího regresního přístupu). Výhodou tohoto přístupu je možnost modelování a vizualizace nejistoty predikce v celém rozsahu hladin glukózy v krvi bez parametrických předpokladů, jako je normálnost. K demonstraci přístupu jsme použili dlouhodobý klasifikátor neuronových sítí založený na paměti ve spojení s technikou předzpracování dat specifických pro krevní glukózu (transformace rizikové domény) k trénování sady modelů a generování předpovědí pro BGLP 2018 a 2020. Uvádíme výsledky numerické přesnosti spolu s příklady vizualizace nejistoty možné pomocí této techniky | cs |
dc.format | 5 s. | cs |
dc.format.mimetype | application/pdf | |
dc.language.iso | en | en |
dc.publisher | CEUR Workshop Proceedings (CEUR-WS.org) | en |
dc.relation.ispartofseries | The 5th International Workshop onKnowledge Discovery in Healthcare Data (KDH) | en |
dc.rights | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. | cs |
dc.rights | © CEUR | en |
dc.subject | diabetes, glukóza, monitorace, predikce, simulace, neuronová síť | cs |
dc.title | Neural Multi-class Classification Approach to Blood Glucose Level Forecasting with Prediction Uncertainty Visualisation | en |
dc.title.alternative | Neurální vícetřídový klasifikační přístup k prognózování hladiny glukózy v krvi s vizualizací nejistoty předpovědi | cs |
dc.type | konferenční příspěvek | cs |
dc.type | conferenceObject | en |
dc.rights.access | restrictedAccess | en |
dc.type.version | publishedVersion | en |
dc.description.abstract-translated | A machine learning-based method for blood glucose level prediction thirty and sixty minutes in advance based on highly multiclass classification (as opposed to the more traditional regression approach) is proposed. An advantage of this approach is the possibility of modelling and visualising the uncertainty of a prediction across the entire range of blood glucose levels without parametric assumptions such as normality. To demonstrate the approach, a long-short term memory-based neural network classifier is used in conjunction with a blood glucose-specific data preprocessing technique (risk domain transform) to train a set of models and generate predictions for the 2018 and 2020 Blood Glucose Level Prediction Competition datasets. Numeric accuracy results are reported along with examples of the uncertainty visualisation possible using this technique. | en |
dc.subject.translated | diabetes | en |
dc.subject.translated | glucose | en |
dc.subject.translated | monitoring | en |
dc.subject.translated | prediction | en |
dc.subject.translated | neural network | en |
dc.type.status | Peer-reviewed | en |
dc.identifier.obd | 43930338 | |
dc.project.ID | LO1506/PUNTIS - Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost | cs |
Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference Papers (KIV) OBD |
Soubory připojené k záznamu:
Soubor | Velikost | Formát | |
---|---|---|---|
doc. Koutný paper13.pdf | 771,29 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/42678
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.